Fugu-MT 論文翻訳(概要): Circuit-Noise-Resilient Virtual Distillation

論文の概要: Circuit-Noise-Resilient Virtual Distillation

arxiv url: http://arxiv.org/abs/2311.08183v1
Date: Tue, 14 Nov 2023 14:13:07 GMT
ステータス: 処理完了
システム内更新日: 2023-11-15 13:48:16.650365
Title: Circuit-Noise-Resilient Virtual Distillation
Title（参考訳）: 回路ノイズ耐性仮想蒸留
Authors: Xiao-Yue Xu, Chen Ding, Shuo Zhang, Wan-Su Bao, and He-Liang Huang
Abstract要約: 我々はCNR-VD(Circuit-Noise-Resilient Virtual Distillation)を紹介する。これは、その回路がノイズによって汚染されたときにVDの結果を洗練し、理想的に実行されたVD回路の結果を回復させようとする。提案したCNR-VDは,VDの耐雑音性を大幅に向上させ,短期量子デバイス上での量子アルゴリズム実装の性能向上を期待できる。
参考スコア（独自算出の注目度）: 6.580816944418853
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum error mitigation (QEM) is crucial for near-term quantum devices, as noise inherently exists in physical quantum systems and undermines the accuracy of quantum algorithms. A typical purification-based QEM method, called Virtual Distillation (VD), aims to mitigate state preparation errors and achieve effective exponential suppression using multiple copies of the noisy state. However, imperfect VD circuit implementation may yield negative mitigation outcomes, potentially more severe than those achieved without QEM. To address this, we introduce Circuit-Noise-Resilient Virtual Distillation (CNR-VD). This method, featuring a calibration procedure that utilizes easily-prepared input states, refines the outcomes of VD when its circuit is contaminated by noise, seeking to recover the results of an ideally conducted VD circuit. Simulation results demonstrate that the CNR-VD estimator effectively reduces deviations induced by noise in the VD circuit, showcasing improvements in accuracy by an order of magnitude at most compared to the original VD. Meanwhile, CNR-VD elevates the gate noise threshold for VD, enabling positive effects even in the presence of higher noise levels. Furthermore, the strength of our work lies in its applicability beyond specific QEM algorithms, as the estimator can also be applied to generic Hadamard-Test circuits. The proposed CNR-VD significantly enhances the noise-resilience of VD, and thus is anticipated to elevate the performance of quantum algorithm implementations on near-term quantum devices.
Abstract（参考訳）: 量子誤差緩和(QEM)は、物理量子システムに固有のノイズがあり、量子アルゴリズムの精度を損なうため、短期量子デバイスにとって不可欠である。 VD (Virtual Distillation) と呼ばれる典型的浄化法は, 状態生成誤差を軽減し, ノイズ状態の複数コピーを用いて効果的な指数的抑制を実現することを目的としている。しかし、不完全なVD回路の実装は、QEMのないものよりも深刻な負の緩和結果をもたらす可能性がある。そこで我々はCNR-VD(Circuit-Noise-Resilient Virtual Distillation)を提案する。容易に準備可能な入力状態を利用する校正手順を備え、その回路がノイズによって汚染された場合にVDの結果を洗練し、理想的に実行されるVD回路の結果を回復させる。シミュレーションの結果、CNR-VD推定器は、VD回路のノイズによる偏差を効果的に低減し、元のVDと比較して、桁違いの精度の向上を示した。一方、CNR-VDはVDのゲートノイズ閾値を上昇させ、より高いノイズレベルが存在する場合でも正の効果が期待できる。さらに,本研究の強みは,一般的なアダマールテスト回路に適用可能な推定器として,特定のqemアルゴリズムを超越した適用性にある。提案したCNR-VDは,VDの耐雑音性を大幅に向上させ,短期量子デバイス上での量子アルゴリズム実装の性能向上を期待できる。

関連論文リスト

Fault-tolerant quantum architectures based on erasure qubits [49.227671756557946]
我々は、支配的なノイズを既知の場所での消去に効率よく変換することで、消去量子ビットの考え方を利用する。消去量子ビットと最近導入されたFloquet符号に基づくQECスキームの提案と最適化を行う。以上の結果から, 消去量子ビットに基づくQECスキームは, より複雑であるにもかかわらず, 標準手法よりも著しく優れていることが示された。
論文参考訳（メタデータ） (2023-12-21T17:40:18Z)
Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文参考訳（メタデータ） (2023-11-06T22:13:10Z)
Butterfly Effects of SGD Noise: Error Amplification in Behavior Cloning and Autoregression [70.78523583702209]
深層ニューラルネットワークを用いた行動クローニングの訓練不安定性について検討した。トレーニング中のSGD更新の最小化は,長期的報奨の急激な振動をもたらすことが観察された。
論文参考訳（メタデータ） (2023-10-17T17:39:40Z)
Robustness of entanglement-based discrete- and continuous-variable quantum key distribution against channel noise [0.0]
本稿では, チャネルノイズに対する抵抗性の観点から, DV と CV QKD プロトコルの一般比較を行う。 CVQKDプロトコルにおける許容チャネルノイズと減衰の基本的境界を解析的に導出する。以上の結果から,DVエンタングルメント方式はCV方式よりも現実的に有利であることが示唆された。
論文参考訳（メタデータ） (2023-08-14T08:51:35Z)
Improving Realistic Worst-Case Performance of NVCiM DNN Accelerators through Training with Right-Censored Gaussian Noise [16.470952550714394]
我々は,CiM加速器上で実行されているDNNモデルの現実的な最悪の性能を,k-th- percentile Performance (KPP) を用いて捉えることを提案する。本手法は, デバイス変動の影響下でのロバスト性向上のための最先端手法と比較して, KPPの最大26%の改善を実現している。
論文参考訳（メタデータ） (2023-07-29T01:06:37Z)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)
Machine Learning assisted excess noise suppression for continuous-variable quantum key distribution [10.533604439090514]
等化に基づく余剰雑音抑制手法を提案する。このスキームでは、ニューラルネットワークとパイロットトーンが補助する等化により歪んだ信号を補正することができる。実験結果から, 余剰雑音を低レベルに抑えることが可能であり, 性能が著しく向上することが示唆された。
論文参考訳（メタデータ） (2022-07-21T12:31:13Z)
Worst-Case Dynamic Power Distribution Network Noise Prediction Using Convolutional Neural Network [14.144190519120167]
最悪の動的PDNノイズ分析は、チップの性能と信頼性を確保するためにPDNサインオフにおいて重要なステップである。本稿では,最悪ケースの動的PDN雑音予測のための,効率的かつスケーラブルなフレームワークを提案する。
論文参考訳（メタデータ） (2022-04-27T08:37:10Z)
Quantum error mitigation by hidden inverses protocol in superconducting quantum devices [0.2867517731896504]
本稿では,コヒーレントエラーを軽減するために,隠れ逆数に基づく変分アルゴリズムの収束性を改善する手法を提案する。このアプローチは、ノイズ演算子がゲート反転で反転する様々な2ビット誤りモデルの性能を向上させる。本稿では,変分量子固有解法(VQE)アルゴリズムを動作させる超伝導量子プロセッサに対する緩和手法を適用する。
論文参考訳（メタデータ） (2022-04-26T16:05:34Z)
Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising [80.10533234415237]
本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
論文参考訳（メタデータ） (2020-10-23T14:14:00Z)
Efficient and robust certification of genuine multipartite entanglement in noisy quantum error correction circuits [58.720142291102135]
実効多部絡み(GME)認証のための条件付き目撃手法を導入する。線形な二分割数における絡み合いの検出は, 多数の測定値によって線形にスケールし, GMEの認証に十分であることを示す。本手法は, 距離3の位相的カラーコードとフラグベースの耐故障バージョンにおける安定化作用素の雑音可読化に適用する。
論文参考訳（メタデータ） (2020-10-06T18:00:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。